CN118314577A - 一种数字压力仪表示值及压力单位识别方法 - Google Patents
一种数字压力仪表示值及压力单位识别方法 Download PDFInfo
- Publication number
- CN118314577A CN118314577A CN202410546972.4A CN202410546972A CN118314577A CN 118314577 A CN118314577 A CN 118314577A CN 202410546972 A CN202410546972 A CN 202410546972A CN 118314577 A CN118314577 A CN 118314577A
- Authority
- CN
- China
- Prior art keywords
- character
- area
- pressure unit
- digital
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 48
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000003708 edge detection Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体为一种数字压力仪表示值及压力单位识别方法,该数字压力仪表示值及压力单位识别方法具体包括:S1、在获取数字仪表表盘图像的基础上,对图像进行边缘轮廓提取,通过利用最大字符笔画宽度与局部平均灰度值结合的方式确定自适应二值化算法的阈值,无需人为设置阈值,实现了字符区域的自动准确定位,有效地解决了由于仪表型号,显示屏材质和背光方式不同,显示屏背光强度不均匀等问题,提高了算法的鲁棒性与适应性;本发明实施例提供的数字压力仪表示值及压力单位识别方法,利用字符图像的HOG特征向量对光照变化不敏感,拥有较高的鲁棒性,适用于多种型号仪表字符准确识别。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种数字压力仪表示值及压力单位识别方法。
背景技术
随着智能传感器的发展,数字压力仪表用于测量气体或液体的压力,已经成为流程工业中工艺生产安全和产品质量稳定的重要保证,是现代工业自动化生产的重要组成部分,广泛应用于工业检测和控制领域。为确保数字压力仪表的准确性,必须按照规定进行定期校准。在仪表出厂前以及仪表使用过程中,需要根据相关规定,定期进行校准,以确保其能够准确测量,传统校准依赖大量人工进行检查和抄表。
近年来伴随机器视觉与图像处理技术的发展,利用相机拍摄数字压力仪表的表盘图像,通过图像智能算法自动识别数字压力仪表的读数。目前字符识别方法主要有传统图像字符识别方法和基于深度学习的字符识别方法。基于深度学习的识别算法对数据集高度依赖,需要采集大量的仪表图像并对示值标注,但由于不同厂家生产的仪表型号和外形尺寸种类多样,采样环境差异大,很难获得完备的仪表示值数据集,影响模型的训练效果,导致仪表示值的识别准确率不高。传统图像字符识别方法通常将图像灰度化、边缘化、二值化后提取数字轮廓进行倾斜矫正最终通过字符区域的定位和分隔,对比模板进行识别。传统图像字符识别方法大多只适用于光照均匀、且仪表表面无瑕疵的仪表示值识别,而在实际的校准环境中,常常因光照不均、反光、阴影、仪表显示屏表面瑕疵以及其它多种因素的影响,现有字符识别方法难以准确识别仪表示值,鲁棒性差;此外,这类算法大多针对于某些特定型号的仪表示值进行字符识别,当换成其它型号仪表时,识别算法无法准确识别,而在实际校准应用中,待校准仪表有多种生产厂家对应不同型号,并且随着行业需求变化,仪表的型号越来越多,需要研究适用于更多种型号的鲁棒性强的仪表示值自动识别方法。因此,需要一种数字压力仪表示值及压力单位识别方法,能够快速、准确地识别数字压力仪表示值,并将其转换为可读的数字或图形化信息,以便更好地满足实际应用的需求。
发明内容
本发明的目的在于提供一种数字压力仪表示值及压力单位识别方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种数字压力仪表示值及压力单位识别方法,该数字压力仪表示值及压力单位识别方法具体包括:
S1、在获取数字仪表表盘图像的基础上,对图像进行边缘轮廓提取,基于边缘轮廓几何特征定位显示屏区域;
S2、对显示屏区域利用水平投影分割数字示值字符区域和其他字符区域;
S3、利用垂直投影对所述数字示值字符区域进行分割,分割出单个数字示值字符区域和小数点字符区域;
S4、对其他字符区域根据连通域的长宽比及其面积大小确定压力单位字符区域;
S5、对单个数字示值字符区域和所述压力单位字符区域分别提取HOG特征向量,利用KNN算法建立数字示值字符识别模型和压力单位字符识别模型;
S6、通过将待识别的单个数字示值字符区域、压力单位字符区域的HOG特征向量分别与建立的数字示值字符识别模型、压力单位字符识别模型中参考字符区域HOG特征向量进行比较,找到最接近的数字示值字符与压力单位字符参考模板,即为识别出的单个数字示值字符与压力单位字符;
S7、将识别出的单个数字示值字符、压力单位字符与小数点拼接,得到最终识别结果。
优选的,在获取数字仪表表盘图像的基础上,对图像进行边缘轮廓提取,基于边缘轮廓几何特征定位显示屏区域,包括:
S1.1、采用OTSU算法对数字仪表表盘图像进行二值化,得到二值化处理后的图像;
S1.2、对所述二值化处理后的图像采用Canny边缘检测算法进行边缘检测,得到边缘检测图;
S1.3、采用区域生长法提取所述边缘检测图中所有轮廓;
S1.4、对所述所有轮廓依次采用轮廓包围区域与原始图像之间的面积比以及轮廓包围区域与凸包包围区域之间的面积比确定显示屏轮廓,所述显示屏轮廓的最小外接矩形为所述显示屏区域。
优选的,对所有轮廓依次采用轮廓包围区域与原始图像之间的面积比以及轮廓包围区域与凸包包围区域之间的面积比确定显示屏轮廓,所述显示屏轮廓的最小外接矩形为所述显示屏区域,包括:
S1.4.1、所述轮廓凸包是能包围轮廓所有点的最小凸多边形,则对于任意一轮廓,假设凸包的集合为Q={P0,P1,…,Pi,…,Pn}:
5)首先从所述集合Q中选取y坐标最小的点p0作为初始凸点,如果有多个最小y坐标点,则选取x坐标最小的点为p0,即所述初始凸点;
6)计算所述集合Q中其余点和所述初始凸点p0构成的向量和图像x方向的夹角,并将所述其余点按照所述和图像x方向的夹角从小到大排序;
7)选取所述和图像x方向的夹角的最小夹角点作为新凸点,当包括多个最小夹角点时,如有m个所述最小夹角点{p0,p1,…,pi,…,pm},则只保留和所述初始凸点p0距离最大的点作为所述新凸点,将所述新凸点作为所述凸包新的初始凸点p0,剔除其余最小夹角点;
8)重复步骤2)-3),直到遍历完所有点,得到所述轮廓凸包;
S1.4.2、通过S1.4.1步骤,得到所述所有轮廓的凸包,根据公式计算每个凸包包围区域的面积S:
(其中xl+1=x1,yl+1=y1)
其中,l为计算得到的每个凸包中点的个数;
S1.4.3、依次比较所述所有轮廓的轮廓包围区域与原始图像之间的面积,筛选比值较大的轮廓为显示屏大致轮廓;计算所述显示屏大致轮廓与对应所述凸包包围区域面积比,筛选比值接近1的为显示屏轮廓;所述显示屏轮廓的最小外接矩形为所述显示屏区域。
优选的,对所述显示屏区域利用水平投影分割数字示值字符区域和其他字符区域,包括:
S2.1、首先采用自适应二值化阈值对所述显示屏区域进行二值化处理,所述显示屏区域中当前字符像素灰度值大于所述自适应二值化阈值,将其设置为0,否则判断所述像素点为字符像素点,设置为255,从而定位字符区域;
所述自适应二值化阈值计算公式如下:
Tx,y=meanx,y-KC
其中,T(x,y)是像素点(x,y)处的所述自适应二值化阈值,mean(x,y)是所述像素点(x,y)在其M*M邻域范围内的平均灰度值,C为所述显示屏区域的平均灰度值,M为奇数且大于显示屏区域内最大字符笔画宽度,K为经验系数,取值范围为0.20-0.35,K值和显示屏中所有字符相对于显示屏的面积有关,面积越大,K值越大;
S2.2、对所述定位字符区域采用水平投影分割所述数字示值字符区域和所述其他字符区域;
对所述定位字符区域的每个像素沿水平方向投影,得到所述定位字符区域的字符像素水平统计分布直方图,将所述字符像素水平统计分布直方图中的像素数统计小于行分割阈值的区域作为字符区域行分割线,计算所述字符像素水平统计分布直方图中的峰谷间隔,大于所述字符像素水平统计分布直方图中的所述峰谷间隔最大区域的一半的所有区域即为所述数字示值字符区域,所述字符像素水平统计分布直方图中的所述峰谷间隔的最大区域即为所述数字示值字符区域,其余区域即为所述其他字符区域。
优选的,利用垂直投影对所述数字示值字符区域进行分割,分割出单个数字示值字符区域和小数点字符区域,包括:
S3.1、将所述数字示值字符区域沿水平方向按照所述字符像素水平方向统计分布直方图中的所述峰谷间隔的四分之三位置分成上下两个区域;
S3.2、对所述上部区域进行垂直投影得到数字示值字符像素垂直统计分布直方图,将所述数字示值字符像素垂直统计分布直方图中的像素数统计小于列分割阈值的区域作为单个字符列分割线,分割得到单个数字示值字符区域;
S3.3、对所述下部区域进行垂直投影得到小数点字符像素垂直统计分布直方图,将所述小数点字符像素垂直统计分布直方图中的像素数统计小于列分割阈值的区域作为小数点字符列分割线,筛选小数点字符像素垂直分布接近正方形的区域,得到所述小数点字符区域。
优选的,对所述其他字符区域根据连通域的长宽比及其面积大小确定压力单位字符区域,包括:
S4.1、对所述其他字符区域进行膨胀得到膨胀后图像;
S4.2、对所述膨胀后图像根据连通域分析,得到多个单位字符候选区域;
S4.3、判断所述多个单位字符候选区域的长宽比及其面积大小确定所述压力单位字符区域。
优选的,对所述单个数字示值字符区域和所述压力单位字符区域分别提取HOG特征向量,利用KNN算法建立数字示值字符识别模型和压力单位字符识别模型,包括:
S5.1、对所述单个数字示值字符区域图像和所述压力单位字符区域图像,使用Canny边缘检测算法提取字符笔画边缘,得到所述单个数字示值字符区域图像和所述压力单位字符区域图像的边缘图;
S5.2、选取所述字符笔画边缘的水平正方向[315°,45°)、垂直正方向[45°,135°)、水平负方向[135°,225°)和垂直负方向[225°,315°)四个方向,采用字符笔画边缘的灰度梯度方向在上述四个方向内的字符像素数量描述字符特征;
S5.3、将所述单个数字示值字符区域图像和所述压力单位字符区域图像的边缘图分别按网格均分成3行2列,共6个网格子区域,统计所述每个网格子区域内的字符笔画边缘像素的灰度梯度方向在对应的四个方向的字符像素数量,按顺序拼接并进行归一化,得到所述每个网格子区域灰度梯度方向特征向量;
S5.4、将6个网格子区域灰度梯度方向特征向量按照网格序号依次拼接,分别得到所述单个数字示值字符区域图像和所述压力单位字符区域图像的HOG特征向量;
S5.5、基于所述单个数字示值字符区域图像和所述压力单位字符区域图像的HOG特征向量利用KNN算法建立所述数字示值字符识别模型和所述压力单位字符识别模型,主要包括以下步骤:
S5.5.1、训练集的建立:
基于所述单个数字示值字符区域图像,包括0-9和“-”共11个字符分为11类,来自至少一种型号仪表,对所述单个数字示值字符区域图像提取所述HOG特征向量并建立数字示值字符类别标签,构建数字示值字符训练集;
基于所述压力单位字符区域图像,至少包括一种压力单位,对所述压力单位字符区域图像提取所述HOG特征向量,并建立压力单位字符类别标签,构建压力单位字符训练集;
S5.5.2、利用KNN算法建立所述数字示值字符识别模型和所述压力单位字符识别模型:
分别建立所述数字示值字符训练集样本与待识别样本、所述压力单位字符训练集样本与待识别样本的相似程度模型,通常用欧式距离表征模型的相似性,欧式距离越小,相似性越高,计算公式如下:
其中,D(x,y)是所述待识别样本x和所述训练集样本y之间的相似性,n是特征维数,xi和yi分别是所述待识别样本x和所述训练集样本y的第i个特征值;
根据所述相似性计算公式计算所述待识别样本x和训练集中每个训练样本的距离,选择小于相似性阈值且与待识别样本x前K个距离最小的模型样本ai(i=1…K)作为x的K个最近邻;
根据所述K个最近邻判断所述待识别样本x所属类(假设共有J类):对x的K个最近邻模型样本,依次计算所述预测样本x属于每类的概率P,计算公式如下:
其中,w(ai,Cj是所述待识别样本x的K个最近邻中的第i个样本ai将待识别样本x分到类别Cj的权重,w(ai,Cj=1/D(x,ai),Pa(ai,Cj表示是第i个样本ai是否为类别Cj,计算公式如下:
优选的,通过将待识别的单个数字示值字符区域、压力单位字符区域的HOG特征向量分别与建立的所述数字示值字符识别模型、所述压力单位字符识别模型中参考字符区域HOG特征向量进行比较,找到最接近的数字示值字符与压力单位字符参考模板,即为识别出的单个数字示值字符与压力单位字符,包括:
对所述待识别的单个数字示值字符区域提取HOG特征向量,计算所述待识别的单个数字示值字符区域HOG特征向量与所述数字示值字符训练集中单个数字示值字符区域图像HOG特征向量的相似性,选取前K个最近邻的所述数字示值字符训练集中的训练样本,计算所述待识别的单个数字示值字符属于每个数字示值字符的概率,选择最大的概率对应的类,即为识别出的单个数字示值字符;
对所述待识别的压力单位字符区域图像提取HOG特征向量,计算所述待识别的压力单位字符区域HOG特征向量与所述压力单位字符训练集中压力单位字符区域图像HOG特征向量的相似性,选取前K个最近邻的所述压力单位字符训练集中的训练样本,计算所述待识别的压力单位字符属于每个压力单位字符的概率,选择最大的概率对应的类,即为识别出的压力单位字符。
优选的,将识别出的所述单个数字示值字符、所述压力单位字符与所述小数点拼接,得到所述最终识别结果,包括:将识别出的所述单个数字示值字符与所述小数点按照分割时的位置进行拼接得到识别出的数字示值字符,将识别出的数字示值字符与所述压力单位字符进行拼接,得到所述最终识别结果。
与现有技术相比,本发明的有益效果是:
1)本发明实施例提供的数字压力仪表示值及压力单位识别方法,通过利用最大字符笔画宽度与局部平均灰度值结合的方式确定自适应二值化算法的阈值,无需人为设置阈值,实现了字符区域的自动准确定位,有效地解决了由于仪表型号,显示屏材质和背光方式不同,显示屏背光强度不均匀等问题,提高了算法的鲁棒性与适应性;
2)本发明实施例提供的数字压力仪表示值及压力单位识别方法,利用字符图像的HOG特征向量对光照变化不敏感,拥有较高的鲁棒性,适用于多种型号仪表字符准确识别。
附图说明
图1为数字压力仪表示值及压力单位识别方法的流程图;
图2为基于边缘轮廓几何特征定位显示屏区域的流程图;
图3为基于边缘轮廓几何特征定位显示屏区域步骤效果图;
图4为水平投影分割数字示值字符区域和其他字符区域步骤图;
图5为单个数字示值字符区域和小数点字符区域分割过程图;
图6为压力单位字符区域分割过程图;
图7为字符笔画边缘灰度梯度的四个方向范围图;
图8为字符分割的6个网格子区域及其子区域HOG特征向量拼接顺序图;
图9为单个数字示值字符识别流程图;
图10为压力单位字符识别流程图;
图11为数字压力表示值识别后的结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例:
请参阅图1-11,本发明提供一种技术方案:
一种数字压力仪表示值及压力单位识别方法,该数字压力仪表示值及压力单位识别方法具体包括:
S1、在获取数字仪表表盘图像的基础上,对图像进行边缘轮廓提取,基于边缘轮廓几何特征定位显示屏区域;
S2、对显示屏区域利用水平投影分割数字示值字符区域和其他字符区域;
S3、利用垂直投影对所述数字示值字符区域进行分割,分割出单个数字示值字符区域和小数点字符区域;
S4、对其他字符区域根据连通域的长宽比及其面积大小确定压力单位字符区域;
S5、对单个数字示值字符区域和所述压力单位字符区域分别提取HOG特征向量,利用KNN算法建立数字示值字符识别模型和压力单位字符识别模型;
S6、通过将待识别的单个数字示值字符区域、压力单位字符区域的HOG特征向量分别与建立的数字示值字符识别模型、压力单位字符识别模型中参考字符区域HOG特征向量进行比较,找到最接近的数字示值字符与压力单位字符参考模板,即为识别出的单个数字示值字符与压力单位字符;
S7、将识别出的单个数字示值字符、压力单位字符与小数点拼接,得到最终识别结果。
本发明实施例提供的数字压力仪表示值及压力单位识别方法,通过利用最大字符笔画宽度与局部平均灰度值结合的方式确定自适应二值化算法的阈值,无需人为设置阈值,实现了字符区域的自动准确定位,有效地解决了由于仪表型号,显示屏材质和背光方式不同,显示屏背光强度不均匀等问题,提高了算法的鲁棒性与适应性。利用字符图像的HOG特征向量对光照变化不敏感,拥有较高的鲁棒性,适用于多种型号仪表字符准确识别。
在获取数字仪表表盘图像的基础上,对图像进行边缘轮廓提取,基于边缘轮廓几何特征定位显示屏区域,包括:
S1.1、采用OTSU算法对数字仪表表盘图像进行二值化,得到二值化处理后的图像;
S1.2、对所述二值化处理后的图像采用Canny边缘检测算法进行边缘检测,得到边缘检测图;
S1.3、采用区域生长法提取所述边缘检测图中所有轮廓;
S1.4、对所述所有轮廓依次采用轮廓包围区域与原始图像之间的面积比以及轮廓包围区域与凸包包围区域之间的面积比确定显示屏轮廓,所述显示屏轮廓的最小外接矩形为所述显示屏区域。
如图3所示,其中,(a)表示OSTU二值化的仪表图像,(b)表示二值化图像Canny边缘检测图,(c)表示采用边缘轮廓几何特征筛选后的显示屏轮廓图,(d)表示定位显示屏最下外接矩形区域图;
对所有轮廓依次采用轮廓包围区域与原始图像之间的面积比以及轮廓包围区域与凸包包围区域之间的面积比确定显示屏轮廓,所述显示屏轮廓的最小外接矩形为所述显示屏区域,包括:
S1.4.1、所述轮廓凸包是能包围轮廓所有点的最小凸多边形,则对于任意一轮廓,假设凸包的集合为Q={P0,P1,…,Pi,…,Pn}:
9)首先从所述集合Q中选取y坐标最小的点p0作为初始凸点,如果有多个最小y坐标点,则选取x坐标最小的点为p0,即所述初始凸点;
10)计算所述集合Q中其余点和所述初始凸点p0构成的向量和图像x方向的夹角,并将所述其余点按照所述和图像x方向的夹角从小到大排序;
11)选取所述和图像x方向的夹角的最小夹角点作为新凸点,当包括多个最小夹角点时,如有m个所述最小夹角点{p0,p1,…,pi,…,pm},则只保留和所述初始凸点p0距离最大的点作为所述新凸点,将所述新凸点作为所述凸包新的初始凸点p0,剔除其余最小夹角点;
12)重复步骤2)-3),直到遍历完所有点,得到所述轮廓凸包;
S1.4.2、通过S1.4.1步骤,得到所述所有轮廓的凸包,根据公式计算每个凸包包围区域的面积S:
(其中xl+1=x1,yl+1=y1)
其中,l为计算得到的每个凸包中点的个数;
S1.4.3、依次比较所述所有轮廓的轮廓包围区域与原始图像之间的面积,筛选比值较大的轮廓为显示屏大致轮廓;计算所述显示屏大致轮廓与对应所述凸包包围区域面积比,筛选比值接近1的为显示屏轮廓;所述显示屏轮廓的最小外接矩形为所述显示屏区域。
对所述显示屏区域利用水平投影分割数字示值字符区域和其他字符区域,包括:
S2.1、首先采用自适应二值化阈值对所述显示屏区域进行二值化处理,所述显示屏区域中当前字符像素灰度值大于所述自适应二值化阈值,将其设置为0,否则判断所述像素点为字符像素点,设置为255,从而定位字符区域;
所述自适应二值化阈值计算公式如下:
Tx,y=meanx,y-KC
其中,T(x,y)是像素点(x,y)处的所述自适应二值化阈值,mean(x,y)是所述像素点(x,y)在其M*M邻域范围内的平均灰度值,C为所述显示屏区域的平均灰度值,M为奇数且大于显示屏区域内最大字符笔画宽度,K为经验系数,取值范围为0.20-0.35,K值和显示屏中所有字符相对于显示屏的面积有关,面积越大,K值越大;
S2.2、对所述定位字符区域采用水平投影分割所述数字示值字符区域和所述其他字符区域;
在本实施中,经验系数取值K=0.20,M取值35,行分割阈值取3。图4示意性示出了本发明实施例提供的水平投影分割数字示值字符区域和其他字符区域步骤图。如图4所示,其中,(a)表示自适应二值化阈值处理后的显示屏区域图像,(b)表示水平投影分割不同字符区域的过程图,(c)表示数字示值字符区域和其他字符区域分割结果图。
对所述定位字符区域的每个像素沿水平方向投影,得到所述定位字符区域的字符像素水平统计分布直方图,将所述字符像素水平统计分布直方图中的像素数统计小于行分割阈值的区域作为字符区域行分割线,计算所述字符像素水平统计分布直方图中的峰谷间隔,大于所述字符像素水平统计分布直方图中的所述峰谷间隔最大区域的一半的所有区域即为所述数字示值字符区域,所述字符像素水平统计分布直方图中的所述峰谷间隔的最大区域即为所述数字示值字符区域,其余区域即为所述其他字符区域。
利用垂直投影对所述数字示值字符区域进行分割,分割出单个数字示值字符区域和小数点字符区域,包括:
S3.1、将所述数字示值字符区域沿水平方向按照所述字符像素水平方向统计分布直方图中的所述峰谷间隔的四分之三位置分成上下两个区域;
S3.2、对所述上部区域进行垂直投影得到数字示值字符像素垂直统计分布直方图,将所述数字示值字符像素垂直统计分布直方图中的像素数统计小于列分割阈值的区域作为单个字符列分割线,分割得到单个数字示值字符区域;
S3.3、对所述下部区域进行垂直投影得到小数点字符像素垂直统计分布直方图,将所述小数点字符像素垂直统计分布直方图中的像素数统计小于列分割阈值的区域作为小数点字符列分割线,筛选小数点字符像素垂直分布接近正方形的区域,得到所述小数点字符区域。
在本实施中,列分割阈值取3,图5示意性示出了本发明实施例提供的单个数字示值字符区域和小数点字符区域分割过程图。如图5所示,其中,(a)表示数字示值字符区域与小数点字符区域水平投影分割图,(b)表示利用本发明实施例提供的单个数字示值字符垂直投影灰度分布图,(c)表示垂直投影单个数字示值字符分割结果图,(d)利用本发明实施例提供的小数点字符垂直投影灰度分布图,(e)表示小数点字符分割结果图。
对所述其他字符区域根据连通域的长宽比及其面积大小确定压力单位字符区域,包括:
S4.1、对所述其他字符区域进行膨胀得到膨胀后图像;
S4.2、对所述膨胀后图像根据连通域分析,得到多个单位字符候选区域;
S4.3、判断所述多个单位字符候选区域的长宽比及其面积大小确定所述压力单位字符区域。
在本实施中,常用压力单位的字母数量为2-4个,字母有大小写,且字符间有微小间隔,因此筛选单位字符候选区域连通域的长宽比范围为[1,6]为所述压力单位字符区域。图6示意性示出了本发明实施例提供的压力单位字符区域分割过程图。如图6所示,其中,(a)表示其他字符区域图像,(b)表示其他字符区域膨胀后图像,(c)表示筛选后的压力单位字符区域图;
对所述单个数字示值字符区域和所述压力单位字符区域分别提取HOG特征向量,利用KNN算法建立数字示值字符识别模型和压力单位字符识别模型,包括:
S5.1、对所述单个数字示值字符区域图像和所述压力单位字符区域图像,使用Canny边缘检测算法提取字符笔画边缘,得到所述单个数字示值字符区域图像和所述压力单位字符区域图像的边缘图;
S5.2、选取所述字符笔画边缘的水平正方向[315°,45°)、垂直正方向[45°,135°)、水平负方向[135°,225°)和垂直负方向[225°,315°)四个方向,采用字符笔画边缘的灰度梯度方向在上述四个方向内的字符像素数量描述字符特征;
S5.3、将所述单个数字示值字符区域图像和所述压力单位字符区域图像的边缘图分别按网格均分成3行2列,共6个网格子区域,统计所述每个网格子区域内的字符笔画边缘像素的灰度梯度方向在对应的四个方向的字符像素数量,按顺序拼接并进行归一化,得到所述每个网格子区域灰度梯度方向特征向量;
S5.4、将6个网格子区域灰度梯度方向特征向量按照网格序号依次拼接,分别得到所述单个数字示值字符区域图像和所述压力单位字符区域图像的HOG特征向量;
S5.5、基于所述单个数字示值字符区域图像和所述压力单位字符区域图像的HOG特征向量利用KNN算法建立所述数字示值字符识别模型和所述压力单位字符识别模型,在本实施中,图7示意性示出了本发明实施例提供的字符四个方向灰度梯度范围图。图8示意性示出了本发明实施例提供的字符分割的6个网格子区域图。如图8所示,字符“3”的HOG特征向量由6个网格子区域,每个网格子区域由四个方向构成,为[0,0.22,0.40,0.38;0.35,0.11,0.32,0.23;0,0.27,0.20,0.44;0.36,0.14,0.37,0.13;0,0.43,0.29,0.29;0.36,0.16,0.43,0.05],主要包括以下步骤:
S5.5.1、训练集的建立:
基于所述单个数字示值字符区域图像,包括0-9和“-”共11个字符分为11类,来自至少一种型号仪表,对所述单个数字示值字符区域图像提取所述HOG特征向量并建立数字示值字符类别标签,构建数字示值字符训练集;
基于所述压力单位字符区域图像,至少包括一种压力单位,对所述压力单位字符区域图像提取所述HOG特征向量,并建立压力单位字符类别标签,构建压力单位字符训练集;
S5.5.2、利用KNN算法建立所述数字示值字符识别模型和所述压力单位字符识别模型:
分别建立所述数字示值字符训练集样本与待识别样本、所述压力单位字符训练集样本与待识别样本的相似程度模型,通常用欧式距离表征模型的相似性,欧式距离越小,相似性越高,计算公式如下:
其中,D(x,y)是所述待识别样本x和所述训练集样本y之间的相似性,n是特征维数,xi和yi分别是所述待识别样本x和所述训练集样本y的第i个特征值;
根据所述相似性计算公式计算所述待识别样本x和训练集中每个训练样本的距离,选择小于相似性阈值且与待识别样本x前K个距离最小的模型样本ai(i=1…K)作为x的K个最近邻;
根据所述K个最近邻判断所述待识别样本x所属类(假设共有J类):对x的K个最近邻模型样本,依次计算所述预测样本x属于每类的概率P,计算公式如下:
其中,w(ai,Cj)是所述待识别样本x的K个最近邻中的第i个样本ai将待识别样本x分到类别Cj的权重,w(ai,Cj)=1/D(x,ai),Pa(ai,Cj)表示是第i个样本ai是否为类别Cj,计算公式如下:
在本实施中,字符相似性阈值取值0.57,K取3。待识别字符“3”的HOG特征向量为[0.33,0.29,0.31,0.40;0.25,0.21,0.26,0.29;0,0.33,0.21,0.45;0.33,0.17,0.34,0.16;0,0.47,0,0.53;0.39,0.17,0.40,0.04]。经计算,待识别字符与训练集中各字符(0-9,-)的相似性分别为[0.960;2.071;1.211;0.559;0.971;0.740;0.967;1.054;0.837;0.609;1.319],取小于字符相似性阈值0.57且与待识别字符最相似的前3个字符,其中小于字符相似性阈值的只有0.559,对应字符“3”,所以待识别字符即为字符“3”。
待识别字符“0”的HOG特征向量为[0.24,0.10,0.47,0.19;0.21,0.25,0.22,0.31;0.31,0.12,0.43,0.14;0.32,0.12,0.42,0.15;0.20,0.31,0.27,0.22;0.27,0.22,0.36,0.16]。经计算,待识别字符与训练集中各字符(0-9,-)的相似性分别为[0.340;1.717;0.843;0.693;0.720;0.487;0.461;0.950;0.352;0.431;1.276],取小于字符相似性阈值0.57且与待识别字符最相似的前3个字符,其中满足要求的为字符“0”、“8”、“9”,即j=1,2,3;C1C2C3分别为0,8,9,相似性分别为D(x,a1)=0.340,D(x,a2)=0.352,D(x,a3)=0.431,则权重w(a1,C1)=2.941,w(a2,C2)=2.841,w(a3,C3)=2.320;
待识别字符为“0”的概率:
待识别字符为“8”的概率:
待识别字符为“9”的概率:
因此待识别字符为“0”。
通过将待识别的单个数字示值字符区域、压力单位字符区域的HOG特征向量分别与建立的所述数字示值字符识别模型、所述压力单位字符识别模型中参考字符区域HOG特征向量进行比较,找到最接近的数字示值字符与压力单位字符参考模板,即为识别出的单个数字示值字符与压力单位字符,包括:
对所述待识别的单个数字示值字符区域提取HOG特征向量,计算所述待识别的单个数字示值字符区域HOG特征向量与所述数字示值字符训练集中单个数字示值字符区域图像HOG特征向量的相似性,选取前K个最近邻的所述数字示值字符训练集中的训练样本,计算所述待识别的单个数字示值字符属于每个数字示值字符的概率,选择最大的概率对应的类,即为识别出的单个数字示值字符;
对所述待识别的压力单位字符区域图像提取HOG特征向量,计算所述待识别的压力单位字符区域HOG特征向量与所述压力单位字符训练集中压力单位字符区域图像HOG特征向量的相似性,选取前K个最近邻的所述压力单位字符训练集中的训练样本,计算所述待识别的压力单位字符属于每个压力单位字符的概率,选择最大的概率对应的类,即为识别出的压力单位字符。
将识别出的所述单个数字示值字符、所述压力单位字符与所述小数点拼接,得到所述最终识别结果,包括:
将识别出的所述单个数字示值字符与所述小数点按照分割时的位置进行拼接得到识别出的数字示值字符,将识别出的数字示值字符与所述压力单位字符进行拼接,得到所述最终识别结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明;因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种数字压力仪表示值及压力单位识别方法,其特征在于,该数字压力仪表示值及压力单位识别方法具体包括:
S1、在获取数字仪表表盘图像的基础上,对图像进行边缘轮廓提取,基于边缘轮廓几何特征定位显示屏区域;
S2、对显示屏区域利用水平投影分割数字示值字符区域和其他字符区域;
S3、利用垂直投影对所述数字示值字符区域进行分割,分割出单个数字示值字符区域和小数点字符区域;
S4、对其他字符区域根据连通域的长宽比及其面积大小确定压力单位字符区域;
S5、对单个数字示值字符区域和所述压力单位字符区域分别提取HOG特征向量,利用KNN算法建立数字示值字符识别模型和压力单位字符识别模型;
S6、通过将待识别的单个数字示值字符区域、压力单位字符区域的HOG特征向量分别与建立的数字示值字符识别模型、压力单位字符识别模型中参考字符区域HOG特征向量进行比较,找到最接近的数字示值字符与压力单位字符参考模板,即为识别出的单个数字示值字符与压力单位字符;
S7、将识别出的单个数字示值字符、压力单位字符与小数点拼接,得到最终识别结果。
2.根据权利要求1所述的一种数字压力仪表示值及压力单位识别方法,其特征在于:在获取数字仪表表盘图像的基础上,对图像进行边缘轮廓提取,基于边缘轮廓几何特征定位显示屏区域,包括:
S1.1、采用OTSU算法对数字仪表表盘图像进行二值化,得到二值化处理后的图像;
S1.2、对所述二值化处理后的图像采用Canny边缘检测算法进行边缘检测,得到边缘检测图;
S1.3、采用区域生长法提取所述边缘检测图中所有轮廓;
S1.4、对所述所有轮廓依次采用轮廓包围区域与原始图像之间的面积比以及轮廓包围区域与凸包包围区域之间的面积比确定显示屏轮廓,所述显示屏轮廓的最小外接矩形为所述显示屏区域。
3.根据权利要求2所述的一种数字压力仪表示值及压力单位识别方法,其特征在于:对所有轮廓依次采用轮廓包围区域与原始图像之间的面积比以及轮廓包围区域与凸包包围区域之间的面积比确定显示屏轮廓,所述显示屏轮廓的最小外接矩形为所述显示屏区域,包括:
S1.4.1、所述轮廓凸包是能包围轮廓所有点的最小凸多边形,则对于任意一轮廓,假设凸包的集合为Q={P0,P1,…,Pi,…,Pn}:
1)首先从所述集合Q中选取y坐标最小的点p0作为初始凸点,如果有多个最小y坐标点,则选取x坐标最小的点为p0,即所述初始凸点;
2)计算所述集合Q中其余点和所述初始凸点p0构成的向量和图像x方向的夹角,并将所述其余点按照所述和图像x方向的夹角从小到大排序;
3)选取所述和图像x方向的夹角的最小夹角点作为新凸点,当包括多个最小夹角点时,如有m个所述最小夹角点{p0,p1,…,pi,…,pm},则只保留和所述初始凸点p0距离最大的点作为所述新凸点,将所述新凸点作为所述凸包新的初始凸点p0,剔除其余最小夹角点;
4)重复步骤2)-3),直到遍历完所有点,得到所述轮廓凸包;
S1.4.2、通过S1.4.1步骤,得到所述所有轮廓的凸包,根据公式计算每个凸包包围区域的面积S:
(其中xl+1=x1,yl+1=y1)
其中,l为计算得到的每个凸包中点的个数;
S1.4.3、依次比较所述所有轮廓的轮廓包围区域与原始图像之间的面积,筛选比值较大的轮廓为显示屏大致轮廓;计算所述显示屏大致轮廓与对应所述凸包包围区域面积比,筛选比值接近1的为显示屏轮廓;所述显示屏轮廓的最小外接矩形为所述显示屏区域。
4.根据权利要求1所述的一种数字压力仪表示值及压力单位识别方法,其特征在于:对所述显示屏区域利用水平投影分割数字示值字符区域和其他字符区域,包括:
S2.1、首先采用自适应二值化阈值对所述显示屏区域进行二值化处理,所述显示屏区域中当前字符像素灰度值大于所述自适应二值化阈值,将其设置为0,否则判断所述像素点为字符像素点,设置为255,从而定位字符区域;
所述自适应二值化阈值计算公式如下:
T(x,y)=mean(x,y)-KC
其中,T(x,y)是像素点(x,y)处的所述自适应二值化阈值,mean(x,y)是所述像素点(x,y)在其M*M邻域范围内的平均灰度值,C为所述显示屏区域的平均灰度值,M为奇数且大于显示屏区域内最大字符笔画宽度,K为经验系数,取值范围为0.20-0.35,K值和显示屏中所有字符相对于显示屏的面积有关,面积越大,K值越大;
S2.2、对所述定位字符区域采用水平投影分割所述数字示值字符区域和所述其他字符区域;
对所述定位字符区域的每个像素沿水平方向投影,得到所述定位字符区域的字符像素水平统计分布直方图,将所述字符像素水平统计分布直方图中的像素数统计小于行分割阈值的区域作为字符区域行分割线,计算所述字符像素水平统计分布直方图中的峰谷间隔,大于所述字符像素水平统计分布直方图中的所述峰谷间隔最大区域的一半的所有区域即为所述数字示值字符区域,所述字符像素水平统计分布直方图中的所述峰谷间隔的最大区域即为所述数字示值字符区域,其余区域即为所述其他字符区域。
5.根据权利要求1所述的一种数字压力仪表示值及压力单位识别方法,其特征在于:利用垂直投影对所述数字示值字符区域进行分割,分割出单个数字示值字符区域和小数点字符区域,包括:
S3.1、将所述数字示值字符区域沿水平方向按照所述字符像素水平方向统计分布直方图中的所述峰谷间隔的四分之三位置分成上下两个区域;
S3.2、对所述上部区域进行垂直投影得到数字示值字符像素垂直统计分布直方图,将所述数字示值字符像素垂直统计分布直方图中的像素数统计小于列分割阈值的区域作为单个字符列分割线,分割得到单个数字示值字符区域;
S3.3、对所述下部区域进行垂直投影得到小数点字符像素垂直统计分布直方图,将所述小数点字符像素垂直统计分布直方图中的像素数统计小于列分割阈值的区域作为小数点字符列分割线,筛选小数点字符像素垂直分布接近正方形的区域,得到所述小数点字符区域。
6.根据权利要求1所述的一种数字压力仪表示值及压力单位识别方法,其特征在于:对所述其他字符区域根据连通域的长宽比及其面积大小确定压力单位字符区域,包括:
S4.1、对所述其他字符区域进行膨胀得到膨胀后图像;
S4.2、对所述膨胀后图像根据连通域分析,得到多个单位字符候选区域;
S4.3、判断所述多个单位字符候选区域的长宽比及其面积大小确定所述压力单位字符区域。
7.根据权利要求1所述的一种数字压力仪表示值及压力单位识别方法,其特征在于:对所述单个数字示值字符区域和所述压力单位字符区域分别提取HOG特征向量,利用KNN算法建立数字示值字符识别模型和压力单位字符识别模型,包括:
S5.1、对所述单个数字示值字符区域图像和所述压力单位字符区域图像,使用Canny边缘检测算法提取字符笔画边缘,得到所述单个数字示值字符区域图像和所述压力单位字符区域图像的边缘图;
S5.2、选取所述字符笔画边缘的水平正方向[315°,45°)、垂直正方向[45°,135°)、水平负方向[135°,225°)和垂直负方向[225°,315°)四个方向,采用字符笔画边缘的灰度梯度方向在上述四个方向内的字符像素数量描述字符特征;
S5.3、将所述单个数字示值字符区域图像和所述压力单位字符区域图像的边缘图分别按网格均分成3行2列,共6个网格子区域,统计所述每个网格子区域内的字符笔画边缘像素的灰度梯度方向在对应的四个方向的字符像素数量,按顺序拼接并进行归一化,得到所述每个网格子区域灰度梯度方向特征向量;
S5.4、将6个网格子区域灰度梯度方向特征向量按照网格序号依次拼接,分别得到所述单个数字示值字符区域图像和所述压力单位字符区域图像的HOG特征向量;
S5.5、基于所述单个数字示值字符区域图像和所述压力单位字符区域图像的HOG特征向量利用KNN算法建立所述数字示值字符识别模型和所述压力单位字符识别模型,主要包括以下步骤:
S5.5.1、训练集的建立:
基于所述单个数字示值字符区域图像,包括0-9和“-”共11个字符分为11类,来自至少一种型号仪表,对所述单个数字示值字符区域图像提取所述HOG特征向量并建立数字示值字符类别标签,构建数字示值字符训练集;
基于所述压力单位字符区域图像,至少包括一种压力单位,对所述压力单位字符区域图像提取所述HOG特征向量,并建立压力单位字符类别标签,构建压力单位字符训练集;
S5.5.2、利用KNN算法建立所述数字示值字符识别模型和所述压力单位字符识别模型:
分别建立所述数字示值字符训练集样本与待识别样本、所述压力单位字符训练集样本与待识别样本的相似程度模型,通常用欧式距离表征模型的相似性,欧式距离越小,相似性越高,计算公式如下:
其中,D(x,y)是所述待识别样本x和所述训练集样本y之间的相似性,n是特征维数,xi和yi分别是所述待识别样本x和所述训练集样本y的第i个特征值;
根据所述相似性计算公式计算所述待识别样本x和训练集中每个训练样本的距离,选择小于相似性阈值且与待识别样本x前K个距离最小的模型样本ai(i=1…K)作为x的K个最近邻;
根据所述K个最近邻判断所述待识别样本x所属类(假设共有J类):对x的K个最近邻模型样本,依次计算所述预测样本x属于每类的概率P,计算公式如下:
其中,w(ai,Cj)是所述待识别样本x的K个最近邻中的第i个样本ai将待识别样本x分到类别Cj的权重,w(ai,Cj)=1/D(x,ai),Pa(ai,Cj)表示是第i个样本ai是否为类别Cj,计算公式如下:
8.根据权利要求1所述的一种数字压力仪表示值及压力单位识别方法,其特征在于:通过将待识别的单个数字示值字符区域、压力单位字符区域的HOG特征向量分别与建立的所述数字示值字符识别模型、所述压力单位字符识别模型中参考字符区域HOG特征向量进行比较,找到最接近的数字示值字符与压力单位字符参考模板,即为识别出的单个数字示值字符与压力单位字符,包括:
对所述待识别的单个数字示值字符区域提取HOG特征向量,计算所述待识别的单个数字示值字符区域HOG特征向量与所述数字示值字符训练集中单个数字示值字符区域图像HOG特征向量的相似性,选取前K个最近邻的所述数字示值字符训练集中的训练样本,计算所述待识别的单个数字示值字符属于每个数字示值字符的概率,选择最大的概率对应的类,即为识别出的单个数字示值字符;
对所述待识别的压力单位字符区域图像提取HOG特征向量,计算所述待识别的压力单位字符区域HOG特征向量与所述压力单位字符训练集中压力单位字符区域图像HOG特征向量的相似性,选取前K个最近邻的所述压力单位字符训练集中的训练样本,计算所述待识别的压力单位字符属于每个压力单位字符的概率,选择最大的概率对应的类,即为识别出的压力单位字符。
9.根据权利要求1所述的一种数字压力仪表示值及压力单位识别方法,其特征在于:将识别出的所述单个数字示值字符、所述压力单位字符与所述小数点拼接,得到所述最终识别结果,包括:将识别出的所述单个数字示值字符与所述小数点按照分割时的位置进行拼接得到识别出的数字示值字符,将识别出的数字示值字符与所述压力单位字符进行拼接,得到所述最终识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410546972.4A CN118314577A (zh) | 2024-05-06 | 2024-05-06 | 一种数字压力仪表示值及压力单位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410546972.4A CN118314577A (zh) | 2024-05-06 | 2024-05-06 | 一种数字压力仪表示值及压力单位识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118314577A true CN118314577A (zh) | 2024-07-09 |
Family
ID=91726190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410546972.4A Pending CN118314577A (zh) | 2024-05-06 | 2024-05-06 | 一种数字压力仪表示值及压力单位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118314577A (zh) |
-
2024
- 2024-05-06 CN CN202410546972.4A patent/CN118314577A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949564B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN109993166B (zh) | 基于刻度查找的指针式仪表读数自动识别方法 | |
CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
CN111414934A (zh) | 一种基于Faster R-CNN和U-Net的指针式仪表读数自动识别方法 | |
CN110363202B (zh) | 指针式仪表数值读取方法及计算机终端 | |
CN111046881B (zh) | 基于计算机视觉和深度学习的指针式仪表读数识别方法 | |
CN114882026B (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
CN115457565A (zh) | 一种ocr文字识别方法、电子设备及存储介质 | |
CN111222507B (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
CN110211178A (zh) | 一种利用投影计算的指针式仪表识别方法 | |
CN116188756A (zh) | 一种基于深度学习的仪表角度校正与示数识别方法 | |
JPH08508128A (ja) | 分布マップを用いる画像の分類方法及び装置 | |
CN113989482A (zh) | 一种基于图像处理的光学合像水平仪自动读数识别方法 | |
KR101849933B1 (ko) | 공분산 기술자와 퍼지 모델을 이용한 심볼 인식장치 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115761468A (zh) | 一种基于图像分割和目标检测技术的水位检测系统、方法 | |
CN118314577A (zh) | 一种数字压力仪表示值及压力单位识别方法 | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
CN116188755A (zh) | 一种基于深度学习的仪表角度校正与示数识别装置 | |
CN114862761A (zh) | 电力变压器液位检测方法、装置、设备及存储介质 | |
CN111626299A (zh) | 一种基于轮廓的数字字符识别方法 | |
CN113159027A (zh) | 基于最小外接矩形变体的七段式数显仪表识别方法 | |
JP2004094427A (ja) | 帳票画像処理装置及び該装置を実現するためのプログラム | |
CN111612045A (zh) | 一种获取目标检测数据集的通用方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |